{"id":1558,"date":"2020-09-23T09:33:32","date_gmt":"2020-09-23T09:33:32","guid":{"rendered":"https:\/\/lisdatasolutions.sidnpre.com\/2020\/09\/23\/deep-learning-redes-neuronales-y-vision-artificial\/"},"modified":"2022-08-01T15:39:33","modified_gmt":"2022-08-01T15:39:33","slug":"deep-learning-redes-neuronales-y-vision-artificial","status":"publish","type":"post","link":"https:\/\/www.lisdatasolutions.com\/es\/blog\/deep-learning-redes-neuronales-y-vision-artificial\/","title":{"rendered":"Deep Learning, redes neuronales y visi\u00f3n artificial"},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

El aprendizaje es una condici\u00f3n inherente al ser humano. Desde que nacemos recopilamos informaci\u00f3n y la almacenamos para poder realizar las tareas que nos requiere el d\u00eda a d\u00eda. Este proceso tan nuestro, de los seguramente mal llamados animales racionales, ya no nos es exclusivo. Las m\u00e1quinas son capaces de aprender o, mejor dicho, somos capaces de hacerlas aprender.<\/p>\n\n\n\n

Gracias al desarrollo de la Inteligencia Artificial (AI)<\/strong> hemos logrado que los ordenadores imiten determinadas funciones propias los humanos. Pero esto no queda aqu\u00ed, como ya hemos apuntado, un paso m\u00e1s, y no uno cualquiera, sino uno cuantitativo, se ha dado al conseguir no solo que las m\u00e1quinas ejecuten acciones, si no que las aprendan y mejoren su propio desempe\u00f1o.<\/p>\n\n\n\n

Este proceso autoeducativo se consigue mediante la implementaci\u00f3n de sistemas de Machine Learning<\/strong> o aprendizaje autom\u00e1tico, una rama de la IA orientada al desarrollo de algoritmos que imitan las funciones cognitivas humanas. A su vez, dentro de esta t\u00e9cnica, se ha desarrollado el Deep Learning<\/strong> que trabaja con el concepto de malla, generando redes neuronales artificiales que simulan el funcionamiento de las redes neuronales biol\u00f3gicas y, en consecuencia, el proceder del complejo cerebro humano.<\/p>\n\n\n

\n
\"\"<\/figure><\/div>\n\n\n

Como su propio nombre indica, el Deep Learning<\/strong> (aprendizaje profundo), deriva de la utilizaci\u00f3n de capas ocultas en la composici\u00f3n de las redes neuronales. Estas cuentan con una capa o fuente de entrada de datos que nutre al conjunto, multitud de capas intermedias de las que no conocemos los valores tratados, y una capa de salida que muestra el resultado del procesamiento de datos efectuado por la red. Siguiendo con el paralelismo hombre-m\u00e1quina, el procedimiento digital mencionado responde a un itinerario similar al que se produce si, por ejemplo, nos tiran un bal\u00f3n: nuestros ojos captan la imagen de un objeto en movimiento (fuente de entrada), el cerebro procesa la informaci\u00f3n recibida: tama\u00f1o, velocidad, peso estimado, color, material\u2026 (capas ocultas), y con esos datos tratados damos una respuesta al est\u00edmulo inicial (capa de salida).<\/p>\n\n\n\n

Dentro de las m\u00faltiples potencialidades de este complejo y completo sistema, el Deep Learning<\/strong> destaca en los procesos de an\u00e1lisis, reconocimiento y clasificaci\u00f3n de im\u00e1genes, a partir de un modelo entrenado (visi\u00f3n artificial). Cualidad cada vez m\u00e1s \u00fatil si tenemos en cuenta que la informaci\u00f3n gr\u00e1fica se ha universalizado gracias al abaratamiento y extensi\u00f3n de la tecnolog\u00eda. Hoy en d\u00eda podemos disponer de un gran abanico de tomas, muchas de ellas en tiempo real, captadas por c\u00e1maras (fijas o m\u00f3viles, terrestres o a\u00e9reas), ultrasonidos, radiofrecuencia o sat\u00e9lites, lo que posibilita innumerables usos en campos muy diversos como el mantenimiento de instalaciones, la conducci\u00f3n autom\u00e1tica de veh\u00edculos, la optimizaci\u00f3n de flotas y almacenes, el diagn\u00f3stico m\u00e9dico, o el an\u00e1lisis de superficies (cultivos, cat\u00e1strofes, ingenier\u00eda\u2026), entre otras muchas.<\/p>\n\n\n\n

\n
\n

Tabla de contenidos<\/p>\n